تسلط به علم داده و هوش مصنوعی - صد روز تا موفقیت شغلی
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- تسلط به برنامهنویسی پایتون، آمار و پردازش داده به عنوان پایهای برای علم داده و هوش مصنوعی
- اجرای پاکسازی داده، مهندسی ویژگی و تحلیل اکتشافی داده (EDA) با مجموعه دادههای واقعی
- ساخت و ارزیابی مدلهای یادگیری ماشین برای رگرسیون، طبقهبندی، خوشهبندی و پیشبینی
- کاربرد یادگیری عمیق با شبکههای عصبی، CNNs و RNNs و LSTMs با استفاده از کراس و تنسورفلو
- کار با مدلهای بزرگ زبانی (LLMs)، تمرین مهندسی پرامپت و بررسی یوزکیسهای generative AI
- حل مطالعات موردی سطح صنعتی مانند پیشبینی ریزش مشتری، پیشبینی فروش و سیستمهای توصیهگر
- توسعه پروژه end-to-end capstone با پایپلاین داده، مدل، داشبورد و بینشهای کسبوکار
- ساخت پورتفولیوی و رزومهای که مهارتهای شما را نمایش داده و شما را برای فرصتهای شغلی در علم داده و هوش مصنوعی آماده میکند.
پیشنیازهای دوره
- بدون تجربه پیشین در علم داده و هوش مصنوعی - دوره از مبانی شروع میشود.
- درک اولیه ریاضیات سطح دبیرستان (جبر، احتمال و آمار) مفید خواهد بود
- آشنایی با برنامهنویسی پایتون مزیت محسوب میشود، اما ضروری نیست.مفاهیم اصلی زودتر پوشش داده میشوند.
- یک رایانه با دسترسی به اینترنت و توانایی نصب نرمافزارهایی مانند پایتون، Jupyter Notebook و کتابخانههای مورد نیاز
- مهمترین نکته - ذهنیت رشد، کنجکاوی و تعهد به تکمیل صد روز یادگیری ساختارمند
توضیحات دوره
«این دوره شامل استفاده از هوش مصنوعی است.»
این برنامه صد روزه علم داده و هوش مصنوعی یک سفر کامل از اصول اولیه تا کاربردهای پیشرفته است که طراحی شده تا شما را از مبتدی تا حرفهای آماده برای شغل تبدیل کند. در طول صد روز یادگیری ساختارمند، شما در برنامهنویسی پایتون، مدیریت داده، مصورسازی، آمار، یادگیری ماشین، یادگیری عمیق و generative AI مهارت کسب خواهید کرد.
هر فاز از برنامه شامل لابراتوارهای عملی است که در آن مفاهیم را بر روی مجموعه دادههای واقعی اعمال میکنید، مهارتی که فراتر از تئوری است. شما روی مطالعات موردی در حوزههایی مانند پیشبینی ریزش مشتری، پیشبینی فروش، سیستمهای توصیهگر و اتوماسیون کسبوکار کار خواهید کرد، که به شما مواجهه عملی با یوزکیسهای صنعتی را میدهد.
نقطه اوج این برنامه پروژه capstone است، جایی که شما یک پایپلاین end-to-end (داده → مدل → داشبورد → بینشهای کسبوکار) طراحی میکنید و آن را به عنوان بخشی از پورتفولیوی خود ارائه میدهید. در طول مسیر، شما همچنین یک رزومه و برند شخصی که با نقشهای علم داده و هوش مصنوعی همسو است، آماده میکنید.
در پایان این برنامه موارد زیر را درک خواهید کرد:
- صد روز یادگیری را با نقشه راه گامبهگام تکمیل میکنید.
- پروژههای متعدد آماده برای پورتفولیو میسازید.
- از طریق لابراتوارهای عملی و مطالعات موردی کاربردی مهارت کسب میکنید.
- پروژه capstone ارائه میدهید که مهارتهای آماده صنعتی را نشان میدهد.
- خود را برای فرصتهای شغلی هیجانانگیز در علم داده، یادگیری ماشین و هوش مصنوعی آماده میکنید.
این دوره فقط در مورد یادگیری نیست، بلکه درباره تبدیل مهارتهای شما به رشد شغلی و فرصتهای جدید است.
این دوره برای چه کسانی مناسب است؟
- مبتدیانی که میخواهند سفر خود را به سمت علم داده و هوش مصنوعی با یک نقشه راه ساختاریافته و گامبهگام آغاز کنند.
- دانشجویان و فارغ التحصیلان از هر رشتهای که به دنبال ایجاد پروژههای آماده برای پورتفولیوها و یافتن نقشهای سطح ورودی در علم داده، یادگیری ماشین یا هوش مصنوعی هستند.
- متخصصان حوزه IT، کسبوکار یا تحلیل که میخواهند مهارتهای خود را ارتقا دهند و به مشاغل پرتقاضای هوش مصنوعی محور منتقل شوند.
- کارآفرینان و نوآورانی که علاقهمند به استفاده از راهحلهای هوش مصنوعی برای حل مشکلات کسبوکار یا صنعت هستند.
- یادگیرندگان مادامالعمر، علاقهمندان به فناوری و مشتاقان برای تکمیل یک چالش صد روزه که ترکیبی از تئوری، لابراتوارهای عملی و یک پروژه capstone است.
تسلط به علم داده و هوش مصنوعی - صد روز تا موفقیت شغلی
-
روز 1-5 - مبانی پایتون (متغیرها، حلقهها، توابع، شیگرایی) 17:22
-
روز 6-10 - پردازش داده با NumPy و Pandas 10:57
-
روز 11-15 - مصورسازی داده (Matplotlib و Seaborn) 11:31
-
روز 16-20 - آمار و احتمال (میانگین، واریانس، توزیعها و فرضیه) 11:06
-
روز 21-25 - پاکسازی داده (مقادیر گمشده، داپلیکیتها و داده پرت) 11:02
-
روز 26-30 - مهندسی ویژگی (انکودینگ، مقیاسبندی و تبدیلها) 11:51
-
روز 31-35 - تحلیل اکتشافی داده (EDA) با مطالعات موردی 10:57
-
روز 36-40 - آشنایی با یادگیری ماشین، traintest split و متریکهای ارزیابی 10:29
-
روز 41-45 - مدلهای رگرسیون (خطی، لجستیک، ریج و لسو) 11:32
-
روز 46-50 - مدلهای طبقهبندی (درختان تصمیمگیری، جنگل تصادفی، SVM و KNN) 11:16
-
روز 51-55 - یادگیری نظارت نشده (یوزکیسهای K-Means ،PCA و خوشهسازی) 11:10
-
روز 56-60 - مطالعه موردی - پیشبینی ریزش مشتری (طبقهبندی) 10:43
-
روز 61-65 - مطالعه موردی - پیشبینی فروش (سریهای زمانی) 10:43
-
روز 66-70 - مطالعه موردی - سیستمهای توصیهگر (فیلترینگ مشارکتی) 10:25
-
روز 71-75 - مبانی شبکههای عصبی (پرسپترونها، پیشانتشار و پس انتشار) 10:52
-
روز 76-80 - یادگیری عمیق با کراس و تنسورفلو 10:40
-
روز 81-85 - کاربردها - طبقهبندی تصویر (CNN) و پردازش متن (RNN LSTM) 11:13
-
روز 86-88 - آشنایی با مدلهای بزرگ زبانی (LLM) (GPT و BERT و ترنسفرمرها) 09:58
-
روز 89-91 - مبانی مهندسی پرامپت و تیونینگ دقیق 09:33
-
روز 92-93 - هوش مصنوعی برای کسبوکار (اتوماسیون، NLP، چتباتها) 09:54
-
روز 94-95 - هوش مصنوعی در صنایع (هواپیمایی، مراقبتهای بهداشتی و امور مالی) 09:11
-
روز 96-98 - پروژه Capstone - پایپلاین End-to-end (داده، مدل ML و API داشبورد) 09:17
-
روز 99 - ساخت پورتفولیو و رزومه برای نقشهای علم داده و هوش مصنوعی 08:15
-
روز 100 - ارائه + گامهای بعدی (MLOps، یادگیری عمیق پیشرفته و حوزههای تخصصی) 08:18
مشخصات آموزش
تسلط به علم داده و هوش مصنوعی - صد روز تا موفقیت شغلی
- تاریخ به روز رسانی: 1404/09/07
- سطح دوره:مقدماتی
- تعداد درس:24
- مدت زمان :04:18:45
- حجم :2.33GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy